O USO DE SISTEMAS DE APOIO À DECISÃO NO CHÃO-DEFÁBRICA
MARCOS ROBERTO FORTULAN
TECUMSEH DO BRASIL LTDA
EDSON WALMIR CAZARINI
UNIVERSIDADE DE SÃO PAULO
e-mail: [email protected], [email protected]
Resumo:
Reconhecer a necessidade das mudanças é imprescindível nos dias de hoje para qualquer
empresa que deseja manter-se competitiva no mercado global. Somando-se a isto a enorme
quantidade de dados e informações que precisam ser consideradas na gestão do negócio, o executivo
necessita de ferramentas que o auxilie a monitorar o sistema, detectar necessidades de mudanças e
tomar decisões. Este artigo propõe a implantação de um Sistema de Apoio à Decisão que faz uso de
ferramentas de Data Warehouse, aplicadas especificamente no chão-de-fábrica, com a finalidade de
gerir os dados resultantes do processo produtivo, transformando-o em informações que auxilie a
tomar decisões que resultarão em mudanças estratégicas, buscando garantir a competitividade da
empresa.
Abstract:
To recognize the need of the changes is indispensable in the actual days for any company that
wants to stay competitive in the global market. Joining to this the large amount of data and
information that need to be considered in the administration of the business, the executive needs tools
that aids him to monitor the system, to detect needs of changes and to take decisions. This article
proposes the introduction of a Decision Support System that makes use of tools of Data Warehouse,
specifically applied in the shop floor, with the purpose to manage the data resultants of the productive
process, transforming it in information, that will aid to take decisions that will result in strategic
changes, looking for to guarantee the competitiveness of the company.
Palavras-Chave: Sistema de Apoio à Decisão, Chão-de-Fábrica, Data Warehouse
Keywords: Decision Support System, Shop Floor, Data Warehouse
1. Introdução:
As mudanças estão e vão continuar acontecendo no mundo, queira o indivíduo ou não, queira
a empresa ou não. O fator que leva às mudanças é algo muito mais forte que um indivíduo ou uma
única organização, faz parte da evolução do ser humano, é a sua inconformidade com seu estado atual.
Apoiado pelos desenvolvimentos da tecnologia, a busca constante por melhores condições de vida leva
à mudanças com velocidades cada vez maiores, e quem não acompanhar ficará para trás, e dependendo
do quanto ficar atrasado, esta defasagem pode tornar-se irrecuperável.
No entanto, para quem vive dentro das empresas, esta não é uma realidade tão fácil de
entender e muito menos de acompanhar. Reduzir custos, superar as expectativas dos clientes,
remunerar bem os acionistas, lançar novos produtos antes do concorrente, são chavões cada vez mais
comuns dentro do ambiente empresarial, transformando muitas empresas em “canibais”. Nesta busca
desenfreada, o conhecimento é um fator chave-de-sucesso que as empresas têm aprendido a valorizar e
estimular.
A Gestão do Conhecimento, por exemplo, tem ganhado muita importância nos últimos anos,
pois as empresas têm percebido o quanto é importante saber o que elas sabem. Já se encontram
disponíveis diversas ferramentas comerciais para gestão do conhecimento, mas é necessário atenção,
pois na ânsia de vender seus produtos, muitas empresas vendem não mais que sistemas de
gerenciamento de informações, e não de conhecimento. O conhecimento é muitas vezes algo pessoal,
o que o torna intangível, difícil de medir, manusear e armazenar. O conhecimento, conforme
BARROSO e GOMES (1999), pode ser definido como, um corpo de informações constituído de fatos,
opiniões, idéias, teorias, princípios e modelos, e pode referir-se ao estado de uma pessoa ou
organização, em relação àquele conjunto de informações, como ignorância, consciência, familiaridade,
entendimento, domínio, etc.
Os Sistemas de Apoio à Decisão (SAD), uma das ferramentas de auxílio às mudanças e gestão
de informações, não tem a intenção de eliminar o “tomador de decisões” através da absorção de todo o
seu conhecimento, mas sim auxilia-lo, através da provisão de informações relevantes, na difícil tarefa
de tomar a melhor decisão, não descartando do mesmo a necessidade de ter capacidade de entender
estas informações, muitas vezes técnicas. As aplicações dos SADs são muito intensas nas áreas de
comércio, marketing e financeiras, mas são pouco freqüentes quando se fala do Chão-de-Fábrica, e
mesmo ainda assim, quando abordado, normalmente as aplicações estão relacionadas ao Planejamento
e Controle da Produção.
O objetivo deste artigo é propor a aplicação de SAD através da construção de um Data
Warehouse que irá armazenar os dados do Chão-de-Fábrica, que por sua vez, assim como no comércio
e na área financeira, são abundantes e precisam ser tratados para se transformarem em informação que
podem acabar por ser estratégicas à continuidade e evolução do negócio.
2. Gestão das Mudanças
Nos últimos dez anos, poucas organizações não enfrentaram alguns dos principais programas
de mudanças tais como qualidade total, re-projeto de processos, foco no cliente, reengenharia,
“rightsizing”, e embora esses conceitos e ferramentas tenham dado origem a histórias de sucesso, em
boa parte dos casos o retorno não correspondeu aos investimentos, conforme relata ASHKENAS
(1997). Outros autores também relatam histórias semelhantes, como DOOLEY e O’SULLIVAN
(1999), que dizem que muitas empresas investiram recursos significativos no desenvolvimento de sua
performance através da introdução de novas tecnologias e processos, mas dizem que somente 50%
delas têm chance de ter sucesso.
Mudanças no mercado acontecem rapidamente, tanto externas, como necessidades dos
clientes, alterações na legislação, quanto internas, devido planos estratégicos, alterações nos produtos
e serviços - embora a primeira sempre puxe a segunda - e para que um negócio seja competitivo, as
respostas devem ser igualmente rápidas. Por esta razão, as empresas devem se reinventar em curtos
espaços de tempo. Este fato é muito desafiador, uma vez que bons projetos requerem considerável
quantidade de informações para serem coletadas e analisadas. Neste momento, os gerentes devem
tomar decisões rapidamente e estar certos de que a empresa re-projetada irá atingir a performance
necessária, conforme explica HARDING e YU (1999).
Com o intuito de mostrar as mudanças pelas quais as empresas têm passando, a tabela 1,
apresentada por DOOLEY e O’SULLIVAN (1999), mostra as principais abordagens pelas quais
passaram as empresas ao longo das últimas décadas.
Um complemento pode ser feito à década de 90 na tabela 1, que, por ter sido elaborada com
dados de 1995, não está completa. Podemos acrescentar à mesma, como pertencente à década de 1990
pelo menos as seguintes abordagens:
• ERP – Planejamento dos Recursos empresariais;
• CRM – Gerenciamento das Relações com o Cliente;
• Supply Chain;
• Gestão do Conhecimento;
• ISO 14000;
• SAD – Sistemas de Apoio à Decisão;
• Business Intelligence;
• E-Commerce.
Embora estes últimos ainda estejam em pleno uso e desenvolvimento, podemos ver que muitas
das abordagens, ao longo do tempo, foram abandonadas por falta de uso e obsolescência, como por
exemplo, o OPT, outras evoluíram, como o MRP seguido pelo MRP II e o ERP, e outras continuam
em pleno uso, como Qualidade Total e ISO 9000.
Década
1690
1890
1900
1920
1930
1950
1950
1960
1960
1970
1970
1980
1980
1980
1980
1980
1980
1980
1990
1990
1990
Abordagem
Divisão do Trabalho
Administração Científica
Produção em massa
Engenharia Industrial
Movimento das relações Humanas
Movimento de Qualidade Japonesa
Teoria Geral dos Sistemas
Planejamento das Necessidades de Materiais (MRP)
Projeto Sócio-Tecnológico
Planejamento dos Recursos de Manufatura (MRP II)
Foco na Fábrica
Qualidade Total
Just in Time
Manufatura Integrada por Computador
Tecnologia de Otimização da Produção (OPT)
ISO 9000
Classe Mundial de Manufatura
Benchmarking
Produção Enxuta
Aprendizado da Organização
Re-engenharia do Processo do Negócio
Primeiro autor relacionado
Adam Smith
Frederick Taylor
Henry Ford
F. Gilbreth e F. Taylor
E. Mayo
J.M. Juran e W.E. Deming
K. Boulding
W. Orlicky
E.L. Trist
O. Wright
W. Skinner
P. Crosby
T. Ohno
E. Goldratt
NSAI
R. Schonberger
Rank Xerox
Jones e Roos
M. Hammer e T. Davenport
Tabela 1: Principais abordagens pelas quais passaram as empresas ao longo das últimas décadas
Fonte: DOOLEY e O’SULLIVAN (1999)
Como vimos, as mudanças internas são necessárias para que a empresa acompanhe as
mudanças externas, e mais, autores como DOOLEY e O’SULLIVAN (1999) afirmam que deve haver
dentro da empresa uma metodologia que inclua uma mistura de mudanças contínuas e mudanças
periódicas radicais, de forma a manter a competitividade da organização. Historicamente, a evolução
da forma e ferramentas de administração é comprovada, mas por outro lado vemos um grande número
de fracassos. Então, se mudar é inevitável, como fazer para ter sucesso?
Segundo DOOLEY e O’SULLIVAN (1999), a diferença entre o sucesso e o fracasso depende
de como a mudança é gerida. O maior custo para a empresa como resultado de um fracasso é a perda
do moral ou um aumento do descaso entre os funcionários a respeito dos planos, estratégias e
objetivos futuros da organização. Portanto, as decisões tomadas em todo o processo de mudanças são
imprescindíveis para o sucesso das mesmas.
Os SADs atualmente têm representado importante papel no sentido de auxiliar os gerentes a
tomar decisões mais acertadas. De forma geral, podemos citar novamente DOOLEY e O’SULLIVAN
(1999) com seu “kit de ferramentas” para gerir mudanças, que consiste de uma metodologia que leva a
organização, passo a passo a implementar suas melhorias e inovações com sucesso dentro das
empresas.
Nesta mesma linha, HARDING e YO (1999) apresentam o FDM (Factory Data Model), uma
ferramenta de modelagem que pode disponibilizar vários estados de uma empresa através de
representações de seus vários elementos de negócios. Estas representações são chamadas de modelos
de fábricas, e estes modelos podem ser criados em diferentes níveis de detalhes dependendo das
necessidades particulares de avaliação. Em conjunto ao FDM trabalha um data warehouse. No
processo de projeto da fábrica existe um grande interesse nas informações de performance. Primeiro
porque mostram se a empresa não está tendo um desempenho adequado em algum caminho, portanto
falhando em atingir os objetivos do negócio, o que leva a um re-direcionamento do negócio. Segundo,
porque os dados históricos de performance de um determinado processo ou recurso, como histórias de
fracassos ou tempos operacionais, podem ser utilizados em simulações para previsões de performance
em cenários supostos, tipo “o que aconteceria se...”. Assim, o data warehouse irá trabalhar em
conjunto com o FDM de duas formas, primeira agindo como um direcionador, fornecendo
informações sobre a performance da fábrica existente, e segundo, fornecendo valores de entrada para o
FDM. Desta forma, as necessidades das empresas de re-adequarem podem ser mais facilmente
identificáveis, a fábrica necessária pode ser obtida, e sua performance potencial pode ser avaliada
antes que as caras implementações físicas sejam executadas.
Diversas outras aplicações de SAD são apresentadas na literatura voltadas às empresas de
produção, mas, como já comentado, poucas voltadas ao chão-de-fábrica, e menos ainda voltadas aos
dados gerados durante o processo produtivo. SCHAMAHL e ANAND (1994), SCHMAHL (1996),
WIERS e VAN DER SCHAAF (1997) e BHATTACHARYYA e KOEHLER (1998) são exemplos de
autores que utilizaram algum tipo de SAD no chão-de-fábrica com resultados positivos de
desempenho, todos, porém, voltados a atividades de planejamento e controle da produção.
3. Os novos Sistemas de Apoio à Decisão (SAD)
Os SADs, conforme o próprio nome diz, têm como objetivo dar suporte aos gerentes nos
processos de tomadas de decisões dentro das empresas, que como já discutido, precisam ser cada vez
mais rápidas e acertadas devido ao ambiente atual no qual as empresas estão inseridas. Conforme
GRAY e WATSON (1999), os atuais Sistemas de Apoio à Decisão são resultados da disponibilidade
de armazéns de dados em busca de aplicações e de softwares para SAD e Sistemas de Informações
Executivas, cuja interação resultou nos sistemas a seguir:
3.1. Data Warehousing
Ao longo do tempo, os bancos de dados foram desenvolvidos para fins de processamentos de
dados operacionais e analíticos, tendo uma maior ênfase no primeiro caso, ainda que ambos tivessem
usuários com diferentes necessidades. Uma vez compreendida esta diferença, foram criados bancos de
dados separados para fins analíticos, chamados de data warehouse, explicam GRAY e WATSON
(1999). Conforme HARDING e YU (1999), o data warehouse irá extrair informações valiosas dos
bancos de dados operacionais de uma maneira eficiente. Os bancos de dados operacionais quando
estão espalhados por toda a empresa, certamente conterão dados duplicados ou parcialmente
duplicados. É inevitável a perda de produtividade e confiabilidade quando os dados são retirados de
diversas fontes, assim, o conceito de data warehouse propicia integração da informação consolidada,
que poderá ser utilizada pelos gerentes para auxiliar ou facilitar sua tomada de decisão.
GRAY e WATSON (1999) destacam como características destes bancos:
• São orientados a determinado assunto;
• São integrados;
• Não são violáveis, ou seja, seus dados não são alterados, só incluídos;
• Representam um histórico;
• São condensados;
• Representam um longo período de tempo (de 5 a 10 anos);
• Não são normalizados, ou seja, podem ter dados redundantes;
• Não são baratos e tem implantação demorada;
• São grandes e continuam crescendo ao longo do tempo.
3.2. On-Line Analytical Processing – OLAP
BISPO e CAZARINI (1998) apresentam o OLAP como uma ferramenta capaz de efetuar
certos tipos de análise de dados com visão multidimensional do negócio, comparando-os por diversos
ângulos. Aplicações que utilizam este tipo de ferramenta devem ter como características:
• permitir visão multidimensional dos dados;
• possuir inteligência de tempo;
• fazer a atualização dos bancos de dados;
• realizar cálculos complexos;
• criar agregações e consolidações;
• fazer previsões e análise de tendência;
• construir cenários a partir de suposições;
• fazer cálculos e manipular dados através de diferentes dimensões.
Os Bancos de Dados Multidimensionais guardam as informações numa espécie de cubo de
dimensão “n”, o que resulta em diversas matrizes esparsas que permitem trabalhar simultaneamente
com cenários de dados definidos por combinações de dados, de quantidades de produtos, região,
vendas, tempo, etc. A vantagem destes bancos sobre os bancos de dados relacionais é que estes estão
otimizados para obter velocidade e facilidade de resposta, complementam GRAY e WATSON (1999).
3.3. Data Mining
Conforme BISPO e CAZARINI (1998), o objetivo desta ferramenta é extrair informações
potencialmente úteis a partir de dados “crus” armazenados em um data warehouse ou nos bancos de
dados dos sistemas transacionais, preferencialmente nos primeiros por já estarem consolidados. Para
tal, utiliza-se de técnicas sofisticadas de procura, como algoritmos de Inteligência Artificial, Redes
Neurais, Árvores de Decisões, Regras de Indução, ou ainda, combinações entre eles. Os principais
modelos utilizados pelos processos de Data Mining para realizar suas descobertas são:
• Modelo de descoberta de associação;
• Modelo de descoberta de sucessão;
• Modelo de agrupamento;
• Modelo de classificação;
• Modelo de regressão e
• Visualização.
As informações são geradas através de quatro passos:
• Seleção;
• Transformação;
• Mineração e
• Interpretação dos Resultados.
4. Aplicação do SAD no Chão-de-Fábrica
Partindo-se de algumas premissas como grande disponibilidade de dados, dados espalhados
em diversos bancos de dados operacionais pela fábrica, dificuldade de recuperação dos dados
históricos, necessidade de tomadas de decisões rápidas e certeiras, é possível e viável a implantação de
um data warehouse para administrar os dados gerados pelo chão-de-fábrica e, uma vez implantado o
data warehouse, submete-lo à aplicação de um data-mining, conforme ilustrado pela figura 4.1:
,QIRUPDo}HV ´JDULPSDGDVµ
FRP 'DWD 0LQLQJ D SDUWLU
GR 'DWD :DUHKRXVH
'DVGDV
DVGDVG DVGG
DVGDVG
DVGVG DVGDV
*HUHQWH GD )iEULFD
GHFLV}HV EDVHDGDV
HP 6$'
Figura 4.1. SAD no chão-de-fábrica.
'DGRV
FRQVROLGDGRV HP
'DWD :DUHKRXVH
,QIRUPDo}HV
D SDUWLU GR
'DWD :DUHKRXVH
Utilizando-se o modelo estrela de representação de dados, temos como modelo para este data
warehouse o diagrama representado pela a figura 4.2.
Dimensão
Setor Produtor
Setor_Produtor
Descrição
Dimensão
Produto
Código_Produto
Descrição
Setor_Produtor
Código_Material
FATO
Qualidade
Código_Produto
Código_Defeito
Chave_Tempo
Código_Equipe
Número_Máquina
Quantidade
FATO
Desempenho
Dimensão
Tempo
Chave_Tempo
Dia_Semana
Dia_Mês
Dia_Ano
Mês
Ano
Indicador_Feriado
Código_Produto
Chave_Tempo
Código_Equipe
Produção
Eficência
Dimensão
Equipe
Código_Equipe
Descrição
Setor_Produtor
Horário_Trabalho
Dimensão
Defeito
Código_Defeito
Descrição
FATO
Ferramenta
Dimensão
Máquina
Número_Máquina
Descrição
Setor_Produtor
Código_Ferramenta
Chave_Tempo
Código_Produto
Código_Equipe
Número_Máquina
Quantidade
FATO
Manutenção
Dimensão
Ferramenta
Número_Máquina
Chave_Tempo
Código_Manutenção
Código_Equipe
Tempo_Manutenção
Dimensão
Problema de
Manutenção
Código_Manutenção
Descrição
Código_Ferramenta
Descrição
FATO
Material
Código_Material
Chave_Tempo
Código_Defeito
Quantidade
Dimensão
Material
Código_Material
Descrição
Figura 4.2. Modelo Estrela do data warehouse para o chão-de-fábrica.
Os dados que irão alimentar as tabelas de fato podem estar em diversos meios, desde relatórios
em papel até mídias eletrônicas, o importante é que estejam registrados. Algumas considerações
devem ser feitas a respeito dos dados a serem registrados nas tabelas de fatos:
•
•
•
Tabela de Qualidade: somente os dados sobre defeitos serão registrados, ou seja, os dados
das inspeções aprovadas não devem ir para a data warehouse, pois estes dados têm como
objetivo comprovar o funcionamento do Sistema de Qualidade ou permitir alguma
rastreabilidade que seja necessária para comprovar a realização das inspeções, mas para o
data warehouse não terão utilidade. Também não importa como estas inspeções são feitas,
se automáticas, realizadas pelo operador, ou outro tipo, no entanto, precisam ser
registradas. Aqui, como defeito, podem ser agrupados tanto os casos onde é possível um
retrabalho, quanto os casos que se transformarão em refugo, basta criar códigos
específicos. É imprescindível que estes códigos sejam universais para toda a empresa;
Tabela Material: serão registrados apenas os casos onde o defeito do material tenha sido
verificado na produção, não no recebimento. A tabela de códigos de defeito de materiais
pode ser a mesma da de produtos;
Com relação às outras tabelas de fatos e dimensões, estas são objetivas e auto-explicativas,
não necessitando de explicações adicionais.
Existe uma infinidade de informações que podem ser obtidas a partir deste modelo, que
permitirão ao gerente de produção grande vantagem para guiar suas mudanças na direção exigida pelo
cliente. Podemos citar alguns exemplos:
• Índices de defeitos em determinado período por equipes, máquinas, produtos, datas
específicas. Por exemplo, como se comportam os defeitos nos dias da semana?
• Como tem evoluído o desempenho em função das equipes?
• Mostrar o consumo de ferramentas de forma a checar se há consumo desordenado em
alguma equipe, máquina ou produto;
• Verificar quantidade de manutenção das máquinas em função das equipes;
• Utilizando-se o Data Mining, podem ser obtidas informações relevantes que antes não
teriam sido imaginadas, por exemplo, qual será a relação que existe entre qualidade,
desempenho e consumo de ferramenta entre as equipes produtivas?
5. Conclusão
As mudanças são ao mesmo tempo necessárias e inevitáveis, e este fato tem levado as
empresas a enfrentarem processos de reorganização que nem sempre acabam com bons resultados.
Neste sentido, ferramentas que auxiliam no processo de gerir as mudanças estão surgindo e tornandose populares entre os tomadores de decisão, e entre elas, neste artigo, são abordados os Sistemas de
Apoio à Decisão, os SADs, que têm por objetivo auxiliar os administradores a escolher o caminho que
trará os melhores resultados, além de propiciar informações para que se melhor administre o negócio.
O artigo propõe assim a aplicação de um data warehouse no chão-de-fábrica para administrar os dados
provenientes do processo produtivo, diferente do que tem sido proposto na maioria dos trabalhos, que
vê no chão-de-fábrica apenas o Planejamento e Controle da Produção. Neste sentido, dados que hoje
estão espalhados em diversos meios pelo chão-de-fábrica, podem ser trabalhados e transformados em
informações, que serão estratégicas ao gerente tanto para manter a performance de sua área quanto
para indicar onde devem ser feitas as mudanças.
6. Bibliografia
ASHKENAS, R. A roupa nova da organização. In: HESSELBEIN, F. et. al. A organização do
Futuro. São Paulo: Futura, 1997.
BARROSO, A. C. O.; GOMES, E. B. P. Tentando entender a gestão do conhecimento. Revista de
Administração Pública. v. 33, n. 2, mar/abr 1999, p. 147-170.
BHATTACHARYYA, S.; KOEHLER, G. J.
Learning by objectives for adaptative shop-floor
scheduling. Decision Sciences Journal. v. 29, n. 2, spring 1998.
BISPO, C. A. F.; CAZARINI, E. W.
A nova geração de sistemas de apoio à decisão.
http://cazarini.cpd.eesc.sc.usp.br/Bispo/Art-05.htm. 22/11/1998.
DOOLEY, L.; O’SULLIVAN, D. Decision support system for the management of systems change
Technovation. v. 19, n. 8, Aug 1999, p. 483-493.
GRAY, P.; WATSON, H. J.
The new DSS: data warehouses, OLAP, MDD and KDD.
http://hsb.baylor.edu/ramsover/ais.ac.96/papers/graywats.htm. 20/03/1999.
HARDING, J. A.; YU, B. Information-centred enterprise design supported by a factory data model
and data warehousing. Computers in Industry. v. 40, 1999, p. 23-36.
SCHAMAHL, K. E.; ANAND, S. Impact of a decision support and finite scheduling system on a
large machine shop. Production and Inventory Management Journal. v. 35, n. 4, fourth quarter
1994, p. 54-59.
SCHMAHL, K. E. Variation in success of implementation of a decision support/finite scheduling
system. Production and Inventory Management Journal. v. 37, n. 1, first quarte 1996, p.28-35.
WIERS, V. C. S.; VAN DER SCHAAF, T. W. Framework for decision support in production tasks.
Production Planning and Control. v.8, n. 6, sep 1997, p. 533-544.